用于元流行病学数据分析的标签不变模型
应用统计
2017-11-28 v2
摘要
已收集丰富的元流行病学数据集，以探索干预效应估计与研究的层面特征之间的关联。Welton 等人提出了用于元流行病学数据分析的模型，但这些模型具有局限性，因为它们强制具有某特定特征的研究间的异质性至少与无该特征的研究间异质性一样大。本文中我们提出对定义两类研究的标签保持不变的替代模型。为示例该方法，我们使用了一组已实施 Cochrane 偏倚风险工具的荟萃分析。我们首先考察了小型试验样本量（少于 100 名受试者）的影响，然后考察多种方法学缺陷（不充分或不清晰的序列生成、分配隐藏和盲法）的影响。我们拟合了 Welton 等人模型和提出的标签不变模型，并比较结果。与试验特征相关的平均偏倚估计以及试验间方差估计对模型选择并不十分敏感。拟合单变量模型的结果显示，在少于 100 名受试者的试验中，异质性方差平均高出 88%。基于多变量模型，异质性方差在序列生成不充分/不清晰的试验中平均高出 25%，在盲法不充分/不清晰的试验中平均高出 51%，而在分配隐藏不充分/不清晰的试验中平均低 23%，尽管这些比值的 95% 区间非常宽。我们提出的用于元流行病学数据分析的标签不变模型促进了对归因于某些研究特征的研究间异质性的研究。
引用
@article{arxiv.1704.05390,
title = {Label-invariant models for the analysis of meta-epidemiological data},
author = {Kirsty Rhodes and David Mawdsley and Rebecca Turner and Hayley Jones and Jelena Savovic and Julian Higgins},
journal= {arXiv preprint arXiv:1704.05390},
year = {2017}
}